人工免疫算法的优化及其关键问题研究

论文摘要

传统的人工免疫算法对免疫克隆选择过程中的内在机理研究还不够深入,导致该算法的稳定性受抗体浓度的影响较大。同时,该算法随机产生种群的方式,将容易导致数字的取值非均匀的分布在解的空间,从而增加数据冗余的现象,并且可能出现早熟收敛现象和缺少交叉操作问题。针对传统的人工免疫算法存在的三大关键问题,本文在总结和分析国内外相关研究工作的基础上,充分结合反馈进化深度模型、等价区间划分策略和相关的智能优化算法来展开研究,主要研究内容及创新性工作概括如下：(1)综述了有关人工免疫算法的基本概念、基本操作和具体框架,以及传统的人工免疫算法模型和典型应用,最后将人工免疫算法与其它智能算法的优缺点进行比较,为研究人工免疫算法基础理论的研究者提供参考和借鉴。(2)生物免疫系统中抗体间的相互刺激和抑制关系是根据抗体的浓度进行的,抗体浓度越高,越受到抑制；抗体浓度越低,越受到促进。针对抗体浓度的高低导致算法的不稳定现象,提出一种进化反馈深度模型,从而有效增强人工免疫算法的稳定性。(3)针对目前人工免疫系统中许多优化算法随机产生种群的方式,将容易导致数字的取值非均匀的分布在解的空间,从而增加数据冗余的现象,设计了一种用于解决数据冗余问题的等价区间划分模型。(4)在进化反馈深度模型的基础上,充分考虑抗体的浓度和种群多样性两方面因素,提出了一种克隆反馈优化算法,详细介绍了该算法的设计思路和框架,同时具体分析了算法的稳定性。该算法融入了一种进化反馈深度模型和种群生存度设计理念,有效提高了算法的稳定性。最后,将该算法应用到网格计算的独立任务调度中,取得了较理想的实验结果,从而表明该方法是可行和有效的。(5)在等价区间划分模型的基础上,提出一种用于函数优化的混沌克隆优化算法,详细介绍了该算法的设计思路和框架,并运用Markov链理论对其收敛性进行分析。同时,对该算法的计算复杂度进行了详细的分析。该算法利用混沌的随机性、遍历性和规律性来避免陷入局部极小值,同时引入等价划分的策略,减少了可能出现的数据冗余现象。仿真实验显示了该算法能以较快的速度完成给定范围的搜索和全局优化任务。(6)针对传统的克隆选择算法可能存在的早熟收敛现象和缺少交叉操作问题,提出一种新的高效克隆退火优化算法,详细介绍了该算法的设计思路和框架,并运用Markov链理论对其收敛性进行分析。该算法结合了模拟退火算法与免疫系统的克隆选择机制,并保持全局搜索和局部搜索的平衡,可以有效提高算法的搜索效率,从而加快算法的收敛速度。最后,将该算法应用到关联规则挖掘中,取得了较高的查全率和精确率。

论文目录

• 论文创新点
• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题背景、研究的目的与意义
• 1.1.1 课题研究的背景
• 1.1.2 研究的目的与意义
• 1.2 国内外研究概况
• 1.2.1 国外研究概况
• 1.2.2 国内研究概况
• 1.3 主要研究内容与创新性
• 1.4 本文的结构安排
• 1.5 本章小结
• 第2章 人工免疫算法概述
• 2.1 人工免疫算法的生物学基础
• 2.1.1 生物免疫系统组成
• 2.1.2 生物免疫系统基本功能
• 2.1.3 生物免疫应答
• 2.1.4 克隆选择学说
• 2.1.5 免疫网络理论
• 2.2 人工免疫算法基本概念
• 2.3 人工免疫算法基本框架
• 2.3.1 人工免疫算法的算子
• 2.3.2 Markov链描述
• 2.3.3 算法的基本流程
• 2.4 常见的人工免疫算法
• 2.4.1 克隆选择算法
• 2.4.2 否定选择算法
• 2.4.3 人工免疫网络模型
• 2.4.4 免疫进化算法
• 2.5 人工免疫算法的收敛性分析
• 2.6 人工免疫算法与其他智能算法的比较
• 2.6.1 人工免疫算法的优缺点
• 2.6.2 人工免疫算法与其他智能算法的比较
• 2.7 人工免疫算法的典型应用
• 2.8 本章小结
• 第3章 人工免疫算法的关键问题
• 3.1 稳定性问题及反馈进化深度模型
• 3.1.1 稳定性问题分析
• 3.1.2 反馈进化深度模型
• 3.2 冗余性问题及等价区间划分策略
• 3.2.1 冗余性问题分析
• 3.2.2 等价区间划分策略
• 3.2.3 Logistic混沌变异
• 3.3 收敛性问题及模拟退火机制
• 3.3.1 收敛性问题分析
• 3.3.2 模拟退火机制
• 3.4 本章小结
• 第4章 基于反馈进化深度模型的克隆反馈优化算法
• 4.1 抗体的相关概念定义
• 4.2 CFOA算法的工作流程
• 4.3 算法的稳定性分析
• 4.4 在网格计算元任务调度中的应用
• 4.4.1 网格计算的元任务调度问题
• 4.4.2 实验结果与分析
• 4.5 本章小结
• 第5章 基于等价区间划分策略的混沌克隆优化算法
• 5.1 抗体的信息熵
• 5.2 混沌克隆优化算法CCOA
• 5.2.1 编码
• 5.2.2 区间克隆
• 5.2.3 区间选择操作
• 5.2.4 CCOA算法的流程
• 5.3 CCOA算法的收敛性分析
• 5.3.1 Markov链相关理论
• 5.3.2 算法收敛性相关理论
• 5.3.3 CCOA算法的收敛性
• 5.4 CCOA算法的计算复杂度分析
• 5.5 仿真实验与结果分析
• 5.6 本章小结
• 第6章 基于模拟退火策略的高效克隆退火优化算法
• 6.1 ECAOA算法的相关操作
• 6.2 ECAOA算法的流程
• 6.3 ECAOA算法性能的评价指标
• 6.4 ECAOA算法的收敛性分析
• 6.5 ECAOA算法的计算复杂度分析
• 6.6 在数据挖掘中的应用
• 6.6.1 关联规则和挖掘算法
• 6.6.2 实验结果与分析
• 6.7 本章小结
• 第7章 结论与展望
• 7.1 本文工作的总结
• 7.2 后续研究工作的展望
• 参考文献
• 附录1 攻读博士学位期间发表的文章
• 附录2 攻读博士学位期间参与的研究项目
• 附录3 攻读博士学位期间所获的科研奖励
• 致谢